Я занят написанием простого алгоритма для адресов нечетких совпадений из двух наборов данных. Я вычисляю расстояние levenshtein между двумя адресами, а затем добавляю точное совпадение или кратчайшее совпадение с соответствующим массивом.Fuzzy Matching Addresses
Однако это очень медленно, так как в худшем случае он должен сравнивать каждый старый адрес с каждым новым адресом.
Мое текущее решение заключается в следующем:
matches = [];
foreach ($classifications as $classification)
{
$classification = $stringMatchingService->standardize($classification, $stringMatchingService->isClassification());
$shortest = -1;
$closest = '';
$cnt = 0;
foreach ($lines as $line)
{
$line = $stringMatchingService->standardize($line, $stringMatchingService->isRTT());
if ($classification[CLASSIFICATION_POSTCODE] != $line[RTT_POSTCODE]) {
continue;
}
$lev = levenshtein($classification[CLASSIFICATION_SUBURB], $line[RTT_SUBURB]);
if ($lev == 0) {
$matches[$classification[CLASSIFICATION_SUBURB]] = $line[RTT_SUBURB];
$cnt++;
break;
}
if ($lev <= $shortest || $shortest < 0) {
//set the closest match and distance
$closest = $line[RTT_SUBURB];
$shortest = $lev;
}
if ($cnt == count($lines)) {
$matches[$classification[CLASSIFICATION_SUBURB]] = $closest;
}
$cnt++;
}
}
print_r(count($matches));
Обратите внимание, что функция гостирован просто пытается стандартизировать адреса, удаляя ненужную информацию и дополняющие почтовые индексы.
Мне интересно, как ускорить это, так как на данный момент это очень дорого или, альтернативно, если есть лучший подход?
Любая помощь с учётом,
Thanks!
EDIT: Размер $ классификации является 12000 строк и размер $ линий 17000 строк. Функция гостирован выглядит следующим образом:
public function standardize($line, $dataSet)
{
switch ($dataSet) {
case self::CLASSIFICATIONS:
if (!isset($line[9], $line[10]) || empty($line[9]) || empty($line[10])) {
continue;
}
$suburb = $line[9];
$suburb = strtoupper($suburb);
$suburb = str_replace('EXT', '', $suburb);
$suburb = str_replace('UIT', '', $suburb);
$suburb = preg_replace('/[0-9]+/', '', $suburb);
$postCode = $line[10];
$postCode = str_pad($postCode, 4,'0', STR_PAD_LEFT);
$line[9] = $suburb;
$line[10] = $postCode;
return $line;
case self::RTT:
if (!isset($line[1], $line[0]) || empty($line[1]) || empty($line[0])) {
continue;
}
$suburb = $line[1];
$suburb = strtoupper($suburb);
$suburb = str_replace('EXT', '', $suburb);
$suburb = str_replace('UIT', '', $suburb);
$suburb = preg_replace('/[0-9]+/', '', $suburb);
$postCode = $line[0];
$postCode = str_pad($postCode, 4,'0', STR_PAD_LEFT);
$line[1] = $suburb;
$line[0] = $postCode;
return $line;
}
Он просто стремится получить доступ к данным надлежащим образом и удалить определенные ключевые слова и колодки почтовые коды, если не в формате XXXX.
Что размер '$ classifications'? Можете вы добавите' standardize' метода к редактированию. Вставьте пример данных – ceadreak
Отредактировал вопрос! – liamjnorman